(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210678755.1 (22)申请日 2022.06.15 (71)申请人 东南大学 地址 211189 江苏省南京市江宁区东 南大 学路2号 (72)发明人 裴文江　刘伟　夏亦犁　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 专利代理师 徐激波 (51)Int.Cl. G06T 3/40(2006.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于反馈机制的单图像超分辨 率算法 (57)摘要 本发明公开了一种基于反馈机制的单图像 超分辨率算法， 包含以下步骤： (1)获取DIV2K数 据集作为训练神经网络的训练集， 并使用双三次 下采样获取图像对； (2)利用反馈机制， 构建单图 像超分辨率生成网络模型； (3)将所述图像对输 入至所述单图像超分辨率生 成网络模型中， 使用 Charbonnier损失作为损失函数， 通过Adam反向 传播算法优化模 型参数， 得到训练好的超分网络 模型。 本发 明采用反馈机制充分获取前后 层的特 征， 利用后层的特征不断加强浅层特征， 进一步 减少了网络的参数量和占用内存； 通过使用坐标 注意力对前后层的特征进行注 意力分配， 优化前 后层的特征； 另外， 通过使用密集连接感受野模 块， 提升了特征的感受野大小。 权利要求书2页 说明书4页 附图3页 CN 114897704 A 2022.08.12 CN 114897704 A 1.一种基于反馈 机制的单图像超分辨 率算法， 其特 征在于： 包 含以下步骤： (1)获取DIV 2K数据集作为训练神经网络的训练集， 并使用双三次下采样获取图像对； (2)利用反馈 机制， 构建单图像超分辨 率生成网络模型； (3)将所述图像对输入至所述单图像超分辨率生成网络模型中， 使用Charbonnier损失 作为损失函数， 通过Adam反向传播 算法优化模型参数， 得到训练好的超分网络模型。 2.根据权利要求1所述的一种基于反馈机制的单图像超分辨率算法， 其特征在于： 所述 步骤(2)包括： 1)将给定 输入通过两个卷积层提取初始特 征f0； 2)将初始特征f0输入到反馈子网络中， 将所述反馈子网络表示为FB， 则第i次反馈网络 的输出特征为 其中， FFB表示反馈 子网络的操作过程， 第i次反馈 子网络的输出为Fi； 3)将f0以及N次反馈 子网络的输出级联并与f0相加得到高维度特 征Ffuse； 4)将Ffuse通过卷积层以及亚像素 卷积层获取高分辨 率特征； 5)将高分辨 率特征通过一个卷积层获取高分辨 率输出。 3.根据权利要求2所述的一种基于反馈机制的单图像超分辨率算法， 其特征在于： 所述 反馈子网络将浅层特征提取网络的输出f0作为特征输入， 浅层的特征输入每一次都将会作 为输入参与反馈子网络的递归过程中， 反馈子网络的输入由上一次反馈子网络的输出以及 浅层提取 特征的输出组成。 4.根据权利要求2所述的一种基于反馈机制的单图像超分辨率算法， 其特征在于： 所述 反馈子网络包括坐标注意力模块以及密集连接感受野模块， 反馈子网络的两路输出通过坐 标注意力模块进行注意力分配， 然后通过密集连接感受野 模块提取特征。 5.根据权利要求2所述的一种基于反馈机制的单图像超分辨率算法， 其特征在于： 所述 坐标注意力模块由池化层、 卷积层、 激活函数层组成， 首先将 输入特征图进 行X轴以及Y轴上 的池化操作， 得到两个特征并将其 沿通道维度进 行级联； 然后通过卷积层 进行通道压缩， 再 进行拆分然后通过卷积层 恢复原始的通道数， 最后通过激活函数将 输出范围压缩至[ 0,1]， 获取X轴以及Y轴上的特 征， 将输入同这两个注意力进行相乘就可以得到最终的输出。 6.根据权利要求2所述的一种基于反馈机制的单图像超分辨率算法， 其特征在于： 所述 密集连接感受野模块由感受野模块以及卷积层构成， 每一层的输出都作为后续所有层的输 入。 7.根据权利要求2所述的一种基于反馈机制的单图像超分辨率算法， 其特征在于： 所述 感受野模块具有多分支卷积层以及扩张卷积层， 获取不同尺度的感受野， 降低了网络的参 数量， 得到更加丰富的特 征。 8.根据权利要求1所述的一种基于反馈机制的单图像超分辨率算法， 其特征在于： 所述 步骤(3)包括以下步骤： 1)采用Charbonnier损失作为损失函数将f0输入到反馈 子网络中权　利　要　求　书 1/2 页 2 CN 114897704 A 2其中,C为图像的通道数； H为图像的高度； W为图像的宽度； 为生成的高分辨率图像 的每个像素点； yi,j,k为真实图像的每 个像素点； 2)通过Adam反向传播 算法优化模型参数。权　利　要　求　书 2/2 页 3 CN 114897704 A 3